本发明涉及数字图像处理技术领域，尤其是基于地基云图的云团识别算法，具体讲,涉及基于地基云图的vper云团识别方法。
背景技术：
云是天气系统的重要特征要素之一。云团作为云存在的现实形态，能够显现出当时的大气状态，可以以此进行气象分析和监测等相关领域的深入研究。地球表面接收到的太阳辐照与云团有着密不可分的关系，在光伏发电领域，云团识别的研究具有其实际意义。除此之外，云团识别对于航空航天、探空探测、地理分析等领域也具有重要意义。
为实现云的自动观测，当前的观测技术主要基于地基、空基及飞行器探测等不同观测平台。其中地基观测研发、运行及维护成本低，适用于区域性云研究，在光伏发电、气象监测等领域取得了较好成果。随着光学、计算机等技术领域的发展，地基云观测技术及装备具有很大的潜力，成为云观测的主要发展方向之一。
通过地基设备采集地基云图实现云团识别的方法适用于区域性的云团识别。现有的云团识别算法一般步骤是通过图像的颜色通道获取具有特征信息的单通道云图，再对单通道云图进行otus阈值分割、分块阈值分割等图像分割，以最终实现云团的识别。云的时空分布及形态极为复杂，运动异常多变，且在光照影响下更难以统一的标准识别。当前云团识别算法获取的特征在不同的时空分布下具有多变性，固定阈值分割难以实现云团的识别，因此自适应阈值分割得以广泛应用。但是全局单一自适应阈值仍无法适应特征的时空多变特点，局部分块自适应阈值在亮度不均的云图中经常识别失误，均具有各自不同的局限性，无法实现云团的有效识别，因此急需提出有效的云团识别算法解决地基云图中云团识别的问题。
技术实现要素：
为克服现有技术的不足，本发明旨在提出新的云团识别方法，利用地基设备采集云图，结合地理位置信息，通过云团识别算法实现云图中云团的自动识别。为此，本发明采用的技术方案是，基于地基云图的vper云团识别方法，步骤如下：
1)、云图采集及预处理
云图为24位彩色数字图像，提取其rgb颜色通道的颜色特征；
2)、云图区域设定
太阳高度角α、太阳天顶角β和太阳方位角γ，通过计算不同时刻太阳天顶角和太阳方位角的大小，将太阳位置映射到云图上，称作太阳像素点；
3)、云团识别
具体的识别步骤是：
(1)提取地基云图中的一条像素，该条像素既包含云团像素也包含蓝天像素；
(2)统计分析像素条rgb各分量，即红色分量、绿色分量和蓝色分量，rgb各分量的取值范围均在[0,255]区间内，且为整数；
(3)改变地基云图中红色分量的权重k，使得红色分量和绿色分量的差值可以以零阈值分割云团和蓝天，公式如下：
vper＝k×r-g
(4)在云图的4层区域内分别设定权重k，以满足要求。
区域设定具体步骤：
(1)绘制3层边界，以太阳像素点为原点，绘制3个圆，设定为层边界，因此云图感兴趣区域划分为四层区域，3个圆分别为：以太阳像素点为原点，90像素为半径，设定第一层边界；以太阳像素点为原点，120像素为半径，设定第二层边界；以太阳像素点为原点，150像素为半径，设定第三层边界；
(2)获取4层区域，第一层边界围成的内部区域为圆形区域，称作第一层区域；第一层边界和第二层边界围成的区域为环形区域，称作第二层区域；第二层边界和第三层边界围成的区域为环形区域，称作第三层区域；第三层边界的外部区域为不规则形状区域，称作第四层区域；
故vper云团识别算法设定的三个层边界将云图感兴趣区域划分为四层区域。
设定权重k具体地：
1)第一层区域内云团的红色分量和绿色分量较为接近，蓝天的红色分量和绿色分量相距较远，k取值1.3时，vper云团识别算法可以以零阈值分割云团和蓝天，满足算法要求，达到云团识别的目的，此时公式如下：
vper1＝1.3×r-g
2)第二层区域受太阳光照影响减弱，云团的红色分量和绿色分量稍稍远离，蓝天的红色分量和绿色分量相距较远，k取值1.4时，vper云团识别算法可以以零阈值分割云团和蓝天，满足算法要求，公式如下：
vper2＝1.4×r-g
3)第三层区域色彩变化逐渐稳定，受太阳光照影响再次减弱，云团的红色分量和绿色分量分离程度加大，蓝天的红色分量和绿色分量相距仍较远，k取值1.5时，vper云团识别算法以零阈值分割云团和蓝天，满足算法要求，公式如下：
vper3＝1.5×r-g
4)第四层区域色彩变化趋于稳定，基本很少受到太阳光照影响，云团的红色分量和绿色分量分离程度继续加大，蓝天的红色分量和绿色分量相距仍较远，k取值1.7时，vper云团识别算法可以以零阈值分割云团和蓝天，满足算法要求，公式如下：
vper4＝1.7×r-g
vper1-4分别为vper在第1-4层区域内的算法。
本发明的特点及有益效果是：
本发明利用vper云团识别算法对地基云图中的云团进行了识别，识别准确率大大提高；本发明结构简单，仅需现有的图像采集设备和计算机即可实现快速稳定的云团识别，计算量小且适用范围广。
附图说明：
图1基于地基云图的vper云团识别方法流程图。
图2全天空成像仪采集的地基云图。
图3地基云图的感兴趣区域。
图4地基云图中的冗余信息。
图5修复后的云图图像。
图6太阳相关角度的关系图。
图7绘制层边界的云图图像。
图8提取云图像素条(浅色线段为提取的像素条)。
图9像素条rgb各分量统计。
图10vper算法识别云团，
其中(a)地基云图，(b)云团识别结果。
具体实施方式
为解决基于地基云图的云团识别问题，本发明提出了一种基于地基云图的变参数超红(variableparameterexcessred,vper)云团识别算法，算法提取云图特征时考虑了云团不同时空分布下具有多变性的特点，可以以零阈值统一分割云图，提高了识别准确率，本发明技术方案的流程图如图1所示，主要包括以下步骤：
1、云图采集及预处理
本文的数据可在世界范围内采集，适用于全球所有的可见光地基设备，如全天空成像仪等。图2所示为全天空成像仪采集到的地基云图，云图为24位彩色数字图像，可提取其rgb颜色通道的颜色特征。
利用vper云团识别算法识别云团时，地基云图中半球形镜面映射的天空图像(见图3)是识别研究中的感兴趣区域，其余图像信息对于云团识别而言属于冗余信息。在此需去除冗余信息，以更好、更快速地实现云团的识别。
图4展现了地基云图中的冗余信息，对于本发明采用的全天空成像仪而言，冗余信息包括半球形镜面外的地面状态信息，半球形镜面外沿的周围环境信息，干扰云团识别的地平线天空信息和镜头、镜头臂、遮蔽带产生的阴影信息。前四种冗余信息可通过截取感兴趣区域去除，阴影信息需进行修复，以使得去除阴影信息的同时尽可能地恢复云图信息。地基云图感兴趣区域修复后的云图图像如图5所示。
2、云图区域设定
太阳位置的确定通常以太阳高度角和太阳方位角为参数。太阳高度角和太阳天顶角互为余角，因此通过太阳天顶角和太阳方位角也可唯一确定太阳的位置。图6展示了太阳、太阳高度角α、太阳天顶角β和太阳方位角γ的关系。通过计算不同时刻太阳天顶角和太阳方位角的大小，可将太阳位置映射到云图上，称作太阳像素点。
区域设定具体步骤：
(1)绘制3层边界。以太阳像素点为原点，绘制3个圆，设定为层边界，因此云图感兴趣区域划分为四层区域(如图7所示)。3个圆分别为：以太阳像素点为原点，90像素为半径，设定第一层边界；以太阳像素点为原点，120像素为半径，设定第二层边界；以太阳像素点为原点，150像素为半径，设定第三层边界。
(2)获取4层区域。第一层边界围成的内部区域为圆形区域，称作第一层区域；第一层边界和第二层边界围成的区域为环形区域，称作第二层区域；第二层边界和第三层边界围成的区域为环形区域，称作第三层区域；第三层边界的外部区域为不规则形状区域，称作第四层区域。
故vper云团识别算法设定的三个层边界将云图感兴趣区域划分为四层区域。
3、云团识别
地球表面观测天空时，可发现不同时间、不同天空区域云图有不同的特征。云的时空分布及形态极为复杂，运动异常多变，且在光照影响下更难以统一的标准识别。云图亮度和云图各位置点与太阳像素点的距离成反比，即以太阳像素点为中心由近及远，天空亮度由亮至暗变化。
设定的各层区域内有各自不同的特征，因此设定各自不同的识别标准，具体的识别步骤是：
(1)提取地基云图中的一条像素(如图8所示)，该条像素既包含云团像素也包含蓝天像素；
(2)统计分析像素条rgb各分量，即红色分量、绿色分量和蓝色分量，rgb各分量的取值范围均在[0,255]区间内，且为整数，统计结果如图9所示；
(3)改变地基云图中红色分量的权重k，使得红色分量和绿色分量的差值可以以零阈值分割云团和蓝天，公式如下：
vper＝k×r-g
(4)在云图的4层区域内分别设定权重k，以满足算法要求。经过本发明的大量实验研究表明：
1)第一层区域内云团的红色分量和绿色分量较为接近，蓝天的红色分量和绿色分量相距较远。k取值1.3时，vper云团识别算法可以以零阈值分割云团和蓝天，vper在第一层区域内的算法为vper1，满足算法要求，达到云团识别的目的，此时公式如下：
vper1＝1.3×r-g
2)第二层区域受太阳光照影响减弱。云团的红色分量和绿色分量稍稍远离，蓝天的红色分量和绿色分量相距较远。k取值1.4时，vper云团识别算法可以以零阈值分割云团和蓝天，vper在第二层区域内的算法为vper2，满足算法要求，公式如下：
vper2＝1.4×r-g
3)第三层区域色彩变化逐渐稳定，受太阳光照影响再次减弱。云团的红色分量和绿色分量分离程度加大，蓝天的红色分量和绿色分量相距仍较远。k取值1.5时，vper云团识别算法可以以零阈值分割云团和蓝天，vper在第三层区域内的算法为vper3，满足算法要求，公式如下：
vper3＝1.5×r-g
4)第四层区域色彩变化趋于稳定，基本很少受到太阳光照影响。云团的红色分量和绿色分量分离程度继续加大，蓝天的红色分量和绿色分量相距仍较远。k取值1.7时，vper云团识别算法可以以零阈值分割云团和蓝天，vper在第四层区域内的算法为vper4，满足算法要求，公式如下：
vper4＝1.7×r-g
下面结合附图和具体实例进一步详细说明本发明。
1、云图采集及预处理
本文的数据可在世界范围内采集，适用于全球所有的可见光地基设备，如全天空成像仪等。采集到的地基云图是24位彩色数字图像，可提取其rgb颜色通道的颜色特征。本文以地基设备——全天空成像仪为例，介绍基于地基云图的vper云团识别算法。根据实际情况改变相关参数，vper算法亦适用于其它地理位置和其它可见光地基设备。全天空成像仪采集的地基云图如图1所示，该云图图像尺寸为640*480。
vper云团识别算法识别云团时，地基云图中半球形镜面映射的天空图像是识别研究中的感兴趣区域，其余图像信息对于云团识别而言属于冗余信息。在此需去除冗余信息，以更好、更快速地实现云团的识别。图3展现了地基云图中的冗余信息。对于本发明采用的全天空成像仪而言，冗余信息包括半球形镜面外的地面状态信息，半球形镜面外沿的周围环境信息，干扰云团识别的地平线天空信息和镜头、镜头臂、遮蔽带产生的阴影信息。前四种冗余信息可通过截取感兴趣区域去除，阴影信息需进行修复，以使得去除阴影信息的同时尽可能地恢复云图信息。
以半球形镜面顶点为圆心，截取云图感兴趣区域，去除冗余信息。截取图1地基云图中感兴趣区域获得的云图图像如图2所示。
地基云图感兴趣区域中，镜头、镜头臂和遮蔽带所带来的阴影会影响云团识别的结果，亦会影响到云图的完整性，因此需要进行云图修复，消除云图中的镜头、镜头臂和遮蔽带，再通过图像修复算法尽可能还原真实的天空图像。如图4所示为地基云图感兴趣区域修复后的云图图像。
2、云图区域设定
太阳位置的确定通常以太阳高度角和太阳方位角为参数，太阳高度角是指太阳光的入射方向和地平面之间的夹角，而太阳方位角是指太阳光线在地平面上的投影与当地子午线的夹角。太阳高度角和太阳天顶角互为余角，因此通过太阳天顶角和太阳方位角也可唯一确定太阳的位置。图5展示了太阳、太阳高度角α、太阳天顶角β和太阳方位角γ的关系。实时的太阳天顶角和太阳方位角可根据日期、时间和经纬度通过天文公式计算得到。太阳高度角α和太阳天顶角β的计算公式如下：
β＝90°-α
其中，δ为太阳赤纬角，
太阳方位角γ的计算公式如下：
其中，β为太阳天顶角，
根据地基云图采集的日期、时间和地基设备所处位置的经纬度，计算太阳赤纬角、太阳时角等基本信息，再进一步计算出太阳天顶角和太阳方位角。
太阳位置处于同一太阳天顶角时，表现在地基云图中为距感兴趣区域中心的距离为等值的圆周。以云图感兴趣区域的半径等于r为例，当太阳天顶角从0°变化到90°时，太阳位于云图中以感兴趣区域中心为原点，半径从0变化到r的圆周上，太阳方位角则为图中太阳位置与正南方向的夹角。因此，通过计算不同时刻太阳天顶角和太阳方位角的大小，可将太阳位置映射到云图上，设为太阳像素点。
区域设定具体步骤：
(1)绘制3层边界。以太阳像素点为原点，绘制3个圆，设定圆周为层边界，因此云图感兴趣区域划分为四层。3个圆分别为：以太阳像素点为原点，90像素为半径，设定第一层边界；以太阳像素点为原点，120像素为半径，设定第二层边界；以太阳像素点为原点，150像素为半径，设定第三层边界。
(2)获取4层区域。第一层边界围成的内部区域为圆形区域，包含太阳像素点，为太阳周边区域，称作第一层区域；第一层边界和第二层边界围成的区域为环形区域，离太阳较近，称作第二层区域；第二层边界和第三层边界围成的区域为环形区域，离太阳较远，称作第三层区域；第三层边界的外部区域为不规则形状区域，离太阳远，称作第四层区域。
故vper云团识别算法设定的三个层边界将云图感兴趣区域划分为四层区域。如图6所示为绘制有层边界的云图图像，云图中灰色的圆形为设定的层边界。
感兴趣区域的划分层数和层边界位置可根据实际情况调整，目标是在当前状态下，时间复杂度最少，识别效果最好。
3、云团识别
地球表面观察天空、太阳和云时，可发现不同时间、不同天空区域的云图有不同的特征。云图亮度和云图各位置点与太阳像素点的距离成反比，即以太阳像素点为中心由近及远，天空亮度由亮至暗变化。
第一层区域受太阳光照影响最大，一般情况下，在云图感兴趣区域中亮度最大，色彩变化也最多。第二层环形区域，色彩变化稍稍稳定，受太阳光照影响也减弱。第三层环形区域，色彩变化逐渐稳定，受太阳光照影响再次减弱。第四层区域，色彩变化趋于稳定，基本很少受到太阳光照影响。
由于各层区域内有各自不同的特征，因此设定各自不同的标准，具体的识别步骤是：
(1)提取地基云图中的一条像素(如图7所示)，该条像素既包含云团像素也包含蓝天像素，在图像中显示为红色线段；
(2)统计分析像素条rgb各分量，即红色分量、绿色分量和蓝色分量，rgb各分量的取值范围均在[0,255]区间内，且为整数，统计结果如图8所示；
(3)改变地基云图中红色分量的权重k，使得红色分量和绿色分量的差值可以以零阈值分割云团和蓝天，公式如下：
vper＝k×r-g
(4)在云图的4层区域内分别设定权重k，以满足算法要求。经过本发明的大量实验研究表明：
1)第一层区域内云团的红色分量和绿色分量较为接近，蓝天的红色分量和绿色分量相距较远。k取值1.3时，vper云团识别算法可以以零阈值分割云团和蓝天，满足算法要求，达到云团识别的目的，此时公式如下：
vper1＝1.3×r-g
2)第二层区域受太阳光照影响减弱。云团的红色分量和绿色分量稍稍远离，蓝天的红色分量和绿色分量相距较远。k取值1.4时，vper云团识别算法可以以零阈值分割云团和蓝天，满足算法要求，公式如下：
vper2＝1.4×r-g
3)第三层区域色彩变化逐渐稳定，受太阳光照影响再次减弱。云团的红色分量和绿色分量分离程度加大，蓝天的红色分量和绿色分量相距仍较远。k取值1.5时，vper云团识别算法可以以零阈值分割云团和蓝天，满足算法要求，公式如下：
vper3＝1.5×r-g
4)第四层区域色彩变化趋于稳定，基本很少受到太阳光照影响。云团的红色分量和绿色分量分离程度继续加大，蓝天的红色分量和绿色分量相距仍较远。k取值1.7时，vper云团识别算法可以以零阈值分割云团和蓝天，满足算法要求，公式如下：
vper4＝1.7×r-g
本发明利用vper云团识别算法对地基云图中的云团进行了识别，识别准确率大大提高；本发明结构简单，仅需现有的图像采集设备和计算机即可实现快速稳定的云团识别，计算量小且适用范围广。如图10所示，对复杂云状的云图使用vper云团识别算法进行识别，地基云图为图10(a)，云团识别结果为图10(b)。